« Quantifier » Le Bonheur : L'uc Berkeley Utilise L'ia Pour Suivre La Libération De Dopamine Et Les Zones Du Cerveau

Contenu en un coup d'œil :La dopamine est un neurotransmetteur important du système nerveux, étroitement lié aux systèmes de mouvement, de mémoire et de récompense. C'est un messager du bonheur. Lorsque nous voyons quelque chose d’agréable, la dopamine est sécrétée dans le corps, nous incitant à le poursuivre. Cependant, une analyse quantitative précise de la dopamine reste encore difficile à réaliser. Grâce à l'apprentissage automatique, le groupe de recherche de Markita P. Landry à l'Université de Californie à Berkeley (UCB) a mené une analyse quantitative de la quantité et de la localisation de la libération de dopamine, nous rapprochant ainsi un peu plus du code du bonheur.
Mots-clés:Apprentissage automatique Apprentissage par renforcement Dopamine

Auteur : Setsuna
Rédacteur en chef｜Sanyang

Cet article a été publié pour la première fois sur la plateforme publique HyperAI WeChat.

On nous pose souvent cette question : « Êtes-vous heureux ? » Après avoir examiné notre situation de vie récente, nous pouvons peut-être trouver une réponse relativement satisfaisante. Cependant, pour répondre à une autre question sur le bonheur : « À quel point êtes-vous heureux ? » ce n'est pas si facile.

Nous pouvons porter un jugement relativement précis sur ce qui est bien ou mal en matière de bonheur, mais il est difficile de faire une analyse quantitative du bonheur. Nous ne pouvons faire qu’une évaluation approximative à l’aide de quelques adverbes de degré.

Mais d’un point de vue physiologique,Le degré de bonheur peut être jugé par les niveaux d’hormones dans le corps humain, l’une des hormones importantes est la dopamine.

La dopamine est un neurotransmetteur important du système nerveux, responsable de la transmission de messages entre les cellules.La dopamine est le messager du bonheur. Lorsque nous voyons quelque chose d’agréable, notre cerveau libère de la dopamine, nous incitant à rechercher des choses heureuses. Par conséquent, un circuit neuronal contrôlé par des neurones dopaminergiques est également appelé circuit de récompense, qui est étroitement lié à l’apprentissage, à la mémoire et au comportement addictif.

Bien que les gens aient une compréhension relativement claire de la structure chimique de la dopamine, de sa zone de distribution et de ses effets physiologiques,Cependant, le mécanisme d’action de la dopamine aux niveaux cellulaire et moléculaire n’est pas encore bien compris, et il est encore plus difficile de quantifier avec précision le rôle de la dopamine dans les circuits neuronaux.

« Quantifier » le bonheur : l'IA décrypte le code de la dopamine

En 1997, Schultz et al. a proposé un mécanisme de fonctionnement possible du circuit de récompense - l'hypothèse d'erreur de prédiction de récompense.Cette hypothèse soutient que les neurones dopaminergiques ajustent la libération de dopamine en fonction de l'erreur entre les récompenses attendues et les récompenses réelles, ajustant ainsi la motivation des gens à poursuivre quelque chose.

En 2020, DeepMind a découvert que différents neurones du cerveau ont des attentes de récompense différentes pour le même stimulus.En d’autres termes, il existe dans le cerveau des neurones relativement optimistes et des neurones relativement pessimistes. Face au même demi-verre d’eau, les neurones optimistes penseront qu’il reste encore un demi-verre d’eau et que notre avenir est radieux. Les neurones pessimistes penseront qu’il ne reste qu’un demi-verre d’eau et que nous mourons de soif. Des recherches plus poussées ont montré que la distribution des attentes de récompenses des neurones est fondamentalement cohérente avec la distribution des récompenses réelles.

Grâce à l’IA, l’analyse des mécanismes neuronaux des circuits de récompense s’accélère.

En 2021, le groupe de recherche d'Erin S. Calipar à l'Université Vanderbilt (Vandy) aux États-Unis a surveillé les changements de teneur en dopamine dans les organismes et a utilisé des machines à vecteurs de support (SVM) pour prédire le comportement des organismes. Sur la base des résultats expérimentaux, le groupe de recherche a proposé un nouveau modèle de régulation dopaminergique des activités physiologiques.

Récemment, l’interprétation de la dopamine par l’IA a atteint un niveau supérieur.Grâce à l'apprentissage automatique, le groupe de recherche de Markita P. Landry à l'Université de Californie à Berkeley (UCB) a mené une analyse quantitative de la quantité de dopamine libérée et des zones du cerveau dans lesquelles elle est libérée, fournissant de nouvelles idées pour l'étude de la neuroimagerie et des circuits neuronaux.

La recherche connexe a été publiée dans ACS Chemical Neuroscience, intitulée « Identifier les signatures neuronales de la signalisation de la dopamine avec l'apprentissage automatique ».

Adresse du document :https://pubs.acs.org/doi/full/10.1021/acschemneuro.3c00001

Cette étude a principalement abordé deux questions :

1. Distinguer la quantité de dopamine libérée sous différents stimuli(stimulation de courant de 0,1 mA et 0,3 mA) ;

2. Déterminer la zone du cerveau où la dopamine est libérée(Striatum dorsolatéral DLS et striatum dorsomédial DMS).

Tout d’abord, ils ont marqué la dopamine avec des nanocapteurs de catécholamines proches de l’infrarouge (nIRCat).Après marquage, la dopamine émet une fluorescence sous un microscope infrarouge, et l'intensité de la fluorescence est positivement corrélée à la concentration de dopamine.Lorsqu’une stimulation électrique est appliquée au cerveau, la dopamine est libérée puis recyclée. Ce processus laissera une courbe d’intensité de fluorescence sous le microscope infrarouge. En quantifiant la courbe de fluorescence, 8 caractéristiques statistiques peuvent être obtenues, telles que l'intensité moyenne de fluorescence, le nombre de sites de libération de dopamine (ROI, régions d'intérêt), etc., et 2 caractéristiques temporelles, y compris la durée pendant laquelle l'intensité de fluorescence est supérieure et inférieure à 2 fois l'écart type.Ces valeurs de fonctionnalités peuvent être utilisées pour former des modèles d’apprentissage automatique.

UN:Résultats de fluorescence observés avant et après stimulation actuelle

B:Courbe d'intensité de fluorescence avant et après stimulation par courant

Les chercheurs ont utilisé deux modèles, la machine à vecteurs de support (SVM) et le modèle de forêt aléatoire (RF), respectivement pour la formation et l'analyse.

Le modèle SVM peut classer les résultats en deux catégories en fonction de caractéristiques non linéaires complexes et appliquer les conditions limites obtenues grâce à la formation aux données de test. Le modèle RF se compose de plusieurs arbres de décision, et les décisions prises par chaque arbre de décision sont finalement triées ensemble pour obtenir le résultat de sortie final.

Le modèle RF peut interpréter entièrement les variables dans les résultats pour garantir des prévisions précises. En sélectionnant de manière aléatoire des données et des fonctionnalités, cela réduit la sensibilité du modèle d’arbre de décision aux données de formation d’origine et augmente les différences entre les arbres de décision.

Les deux modèles nécessitent une quantité plus petite de données de formation et peuvent séparer les résultats en deux catégories, ce qui correspond à l’objectif de cette étude.

Ensemble de données A et ensemble de données B :Représente différentes stimulations de courant ou concentrations de libération de dopamine dans différentes régions du cerveau

Une fois les deux modèles formés, les courbes d'intensité de fluorescence obtenues sous différentes stimulations de courant sont utilisées comme entrée, et les modèles peuvent juger de l'intensité de la stimulation et de la zone cérébrale où la dopamine est libérée.

Figure A :Résultats des souris âgées de 4 semaines

Figure B :Résultats des souris âgées de 8,5 semaines

Figure C :Résultats des souris âgées de 12 semaines

Les résultats montrent qu’à mesure que l’âge des souris augmente, la précision des deux modèles dans l’évaluation de l’intensité de la stimulation augmente.Cela est principalement dû au fait qu’à mesure que les souris vieillissent, leurs niveaux d’hormones deviennent plus stables et prévisibles. Chez les souris âgées de 12 semaines, la précision du modèle RF pour juger l’intensité du stimulus peut atteindre 0,832.

A&B :Résultats des souris âgées de 4 semaines

CD:Résultats des souris âgées de 8,5 semaines

E&F :Résultats des souris âgées de 12 semaines

Comme le montre la figure, à l’instar des résultats de l’intensité de stimulation, l’apprentissage automatique présente la précision de jugement la plus élevée sur les souris âgées de 12 semaines, jusqu’à 0,708. Dans le même temps, différentes caractéristiques d’entrée affecteront également la précision du jugement du modèle.Parmi les différents paramètres de fonctionnalités, le ROI est le plus important pour la précision du jugement du modèle.

Grâce à l'apprentissage automatique, les chercheurs ont brisé les contraintes de l'analyse de données traditionnelle, sélectionné un grand nombre de variables de caractéristiques et amélioré la précision du jugement du modèle grâce au retour sur investissement des fonctionnalités qui était ignoré par l'analyse de données traditionnelle.De plus, ce modèle peut être étendu à d’autres circuits neuronaux que la dopamine, fournissant de nouvelles idées pour l’étude de l’imagerie neuronale et des mécanismes neuronaux.

La dopamine : l'épée à double tranchant du bonheur et de la perte

La dopamine nous procure une sensation de plaisir et nous motive à rechercher des choses agréables.Qu’il s’agisse de nourriture délicieuse, de beaux paysages, d’exercice approprié ou d’interaction sociale active, cela aide à libérer de la dopamine, nous aidant ainsi à maintenir une bonne humeur.De ce fait, la dopamine peut également être utilisée comme outil de marketing pour les entreprises. Des « repas dopaminergiques » joliment emballés aux « tenues dopaminergiques » qui envahissent les réseaux sociaux, les couleurs vives embellissent non seulement la vie des gens, mais égayent également leur humeur.

Cependant, après avoir été heureux, le niveau de dopamine dans le corps chutera temporairement en dessous des niveaux normaux, ce qui entraînera une sensation de dépression.Après une sécrétion prolongée et fréquente de dopamine, la perception du bonheur par le corps humain devient terne, ce qui rend difficile pour les gens d'apprécier la petite beauté de la vie et les rend plus susceptibles de se perdre. C'est pourquoi certaines personnes ont proposé le concept de « sevrage de dopamine », qui consiste à contrôler la libération de dopamine dans le corps en ajustant les horaires de travail et de repos, en contrôlant le temps de divertissement, en restant à l'écart des médias sociaux, etc., afin de revenir à la vie et de vivre un vrai bonheur.

Qu'il s'agisse d'un « pansement à la dopamine » ou d'un « sevrage à la dopamine », tout le monde recherche la beauté de la vie et se fait vivre heureux.Bien que les deux théories aient une certaine base physiologique, leurs effets réels doivent encore être étudiés.Grâce à l’IA, les chercheurs explorent également en permanence les mécanismes derrière l’activité neuronale et les mystères de la dopamine. Je crois qu'un jour, lorsqu'on leur demandera « À quel point êtes-vous heureux », les gens pourront répondre sans hésitation : 100%.

Cet article a été publié pour la première fois sur la plateforme publique HyperAI WeChat.

Articles de référence :

[1]https://www.nature.com/articles/s41586-019-1924-6#additional-information

[2]https://www.sciencedirect.com/science/article/pii/S096098222101188X

[3]https://www.science.org/doi/10.1126/science.275.5306.1593

[4]https://prezi.com/gxadjg6gz7li/nicotine-and-the-brain-reward-system/

[5]https://youtu.be/v6VJ2RO66Ag